32倍压缩率下性能反超25个点！破解长文本压缩「翻车」难题|ICLR2026

背景：现有上下文压缩方法在高压缩率下常因过度保留语义重复内容导致性能下降，陷入“信息内卷”困境。研究目的：阿里巴巴团队提出COMI框架，通过边际信息增益指标和粗到细压缩策略，旨在同时优化信息相关性与多样性，破解高压缩率下的性能瓶颈。结论：COMI在32倍压缩率下显著提升模型性能，如在NaturalQuestions上EM分数超出基线近25点，并实现效率提升，证明高质量压缩可兼顾信息提纯与推理速度，为长上下文高效推理提供新范式。